[go: up one dir, main page]

DE102006045218B4 - Distinction input system for a decision algorithm - Google Patents

Distinction input system for a decision algorithm Download PDF

Info

Publication number
DE102006045218B4
DE102006045218B4 DE102006045218A DE102006045218A DE102006045218B4 DE 102006045218 B4 DE102006045218 B4 DE 102006045218B4 DE 102006045218 A DE102006045218 A DE 102006045218A DE 102006045218 A DE102006045218 A DE 102006045218A DE 102006045218 B4 DE102006045218 B4 DE 102006045218B4
Authority
DE
Germany
Prior art keywords
sensor
seat belt
seat
occupant
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
DE102006045218A
Other languages
German (de)
Other versions
DE102006045218A1 (en
Inventor
Karl R. Fraser Kennedy
Christopher Rochester Ricard
John White Lake Nathan
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lear Corp
Original Assignee
Lear Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Lear Corp filed Critical Lear Corp
Publication of DE102006045218A1 publication Critical patent/DE102006045218A1/en
Application granted granted Critical
Publication of DE102006045218B4 publication Critical patent/DE102006045218B4/en
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/015—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting the presence or position of passengers, passenger seats or child seats, and the related safety parameters therefor, e.g. speed or timing of airbag inflation in relation to occupant position or seat belt use
    • B60R21/01512—Passenger detection systems
    • B60R21/01516—Passenger detection systems using force or pressure sensing means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60N—SEATS SPECIALLY ADAPTED FOR VEHICLES; VEHICLE PASSENGER ACCOMMODATION NOT OTHERWISE PROVIDED FOR
    • B60N2/00—Seats specially adapted for vehicles; Arrangement or mounting of seats in vehicles
    • B60N2/002—Seats provided with an occupancy detection means mounted therein or thereon
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/015—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting the presence or position of passengers, passenger seats or child seats, and the related safety parameters therefor, e.g. speed or timing of airbag inflation in relation to occupant position or seat belt use
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/02—Occupant safety arrangements or fittings, e.g. crash pads
    • B60R21/16—Inflatable occupant restraints or confinements designed to inflate upon impact or impending impact, e.g. air bags
    • B60R2021/162—Means for diverting, destroying or blocking the bag in case of dangerous deployment, e.g. during rescue operations or use of rear-facing children seats
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/015—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting the presence or position of passengers, passenger seats or child seats, and the related safety parameters therefor, e.g. speed or timing of airbag inflation in relation to occupant position or seat belt use
    • B60R21/01512—Passenger detection systems
    • B60R21/01544—Passenger detection systems detecting seat belt parameters, e.g. length, tension or height-adjustment
    • B60R21/0155—Passenger detection systems detecting seat belt parameters, e.g. length, tension or height-adjustment sensing belt tension
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/015—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting the presence or position of passengers, passenger seats or child seats, and the related safety parameters therefor, e.g. speed or timing of airbag inflation in relation to occupant position or seat belt use
    • B60R21/01556—Child-seat detection systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Transportation (AREA)
  • Air Bags (AREA)

Abstract

Verfahren zum Unterscheiden einer Eingabe in einen Erfassungsalgorithmus in einem Insassenklassifikationssystem (8), wobei das Verfahren folgende Schritte umfasst:
Erzeugen einer Reihe von Sensorsignalen aus einer Sensoranordnung (45);
Erzeugen eines Sensorsignals aus einem Sitzgurt-Spannungssensor (43); und
Ausführen eines Musterkennungsalgorithmus in Abhängigkeit von der Reihe von Sensorsignalen aus der Sensoranordnung (45) und dem Sensorsignal aus dem Sitzgurt-Spannungssensor (43),
dadurch gekennzeichnet,
dass das Ausführen des Mustererkennungsalgorithmus das Analysieren der Reihe von Sensorsignalen aus der Sensoranordnung (45) und des Sensorsignals aus dem Sitzgurt-Spannungssensor (43) in einem neuronalen Netz (41) umfasst.A method of distinguishing an input to a detection algorithm in an occupant classification system (8), the method comprising the steps of:
Generating a series of sensor signals from a sensor array (45);
Generating a sensor signal from a seat belt tension sensor (43); and
Executing a pattern recognition algorithm in dependence on the series of sensor signals from the sensor assembly (45) and the sensor signal from the seat belt tension sensor (43),
characterized,
in that performing the pattern recognition algorithm comprises analyzing the series of sensor signals from the sensor array (45) and the sensor signal from the seat belt tension sensor (43) in a neural network (41).

Figure 00000001
Figure 00000001

Description

Die vorliegende Erfindung betrifft allgemein Fahrzeuginsassen-Identifikationssysteme und insbesondere ein Verfahren zum Analysieren eines Sitzinsassen als Teil eines ergänzenden Haltesystems.The The present invention relates generally to vehicle occupant identification systems and more particularly, a method of analyzing a seat occupant as part of a supplementary Restraint system.

Kraftfahrzeuge verwenden Sitzsysteme, um die Insassen im Fahrzeug aufzunehmen. Die Sitzsysteme umfassen Haltesysteme, die dazu dienen, die Insassen im Fall einer Kollision zu halten und zu schützen. Das primäre Haltesystem, das heutzutage in den meisten Fahrzeugen verwendet wird, ist der Sitzgurt. Sitzgurte umfassen gewöhnlich einen Hüftgurt und einen Schultergurt, der sich von einem Ende des Hüftgurts quer über den Oberkörper des Insassen zu einer Befestigungsstruktur in der Nähe der gegenüberliegenden Schulter des Insassen erstreckt.motor vehicles use seating systems to accommodate the occupants in the vehicle. The seating systems include restraint systems that serve the occupants to hold and protect in the event of a collision. The primary holding system, used in most vehicles today is the seat belt. Seat belts usually include a hip belt and a shoulder strap extending from one end of the hipbelt across the torso of the occupant to a mounting structure near the opposite Shoulder of the occupant extends.

Außerdem können Kraftfahrzeuge zusätzliche ergänzende Haltesysteme umfassen. Das am meisten verbreitete ergänzende Haltesystem in Kraftfahrzeugen ist heutzutage ein aufblasbarer Airbag. Im Fall einer Kollision werden die Airbags als zusätzliche Einrichtung zum Halten und Schützen der Insassen des Fahrzeugs verwendet. Ursprünglich wurden die ergänzenden aufblasbaren Halteeinrichtungen (Airbags) im Fall einer Kollision unabhängig davon aktiviert, ob der entsprechende Sitz besetzt ist oder nicht. Die ergänzenden aufblasbaren Halteeinrichtungen und deren assoziierte Aktivierungssysteme sind kostspielig, sodass diese Aktivierungsstrategie nicht kosteneffizient ist. Es besteht deshalb ein Bedarf für eine Einrichtung zum wahlweisen Steuern der Aktivierung von Airbags, wobei die Aktivierung nur dann erfolgt, wenn der Sitz besetzt ist.In addition, motor vehicles additional supplementary Holding systems include. The most widely used supplementary holding system in motor vehicles today is an inflatable airbag. In the case a collision, the airbags as an additional means of holding and shooters the occupants of the vehicle used. Originally the supplementary inflatable restraints (airbags) in the event of a collision independently of activates whether the corresponding seat is occupied or not. The supplementary inflatable restraints and their associated activation systems costly, so this activation strategy is not cost effective is. There is therefore a need for a device for optional Control the activation of airbags, the activation only then takes place when the seat is occupied.

Zur Erfüllung dieses Bedarfs wurden Fahrzeug-Sicherheitssysteme vorgeschlagen, die Fahrzeuginsassen-Erfassungssysteme umfassen, die feststellen zu können, ob ein bestimmter Sitz besetzt ist oder nicht. Die Systeme dienen als Schalter zum Steuern der Aktivierung eines entsprechenden Airbags. Wenn also die Insassenerfassungseinrichtung während einer Kollision feststellt, dass der Sitz nicht besetzt ist, kann sie verhindern, dass der entsprechende Airbag aktiviert wird, wodurch dem Fahrzeugbesitzer unnötige Kosten zum Ersetzen der aktivierten Airbags erspart werden.to fulfillment These needs were vehicle safety systems proposed include vehicle occupant detection systems that detect to be able to whether a particular seat is occupied or not. The systems serve as a switch for controlling the activation of a corresponding airbag. Thus, if the occupant detection device detects during a collision, that the seat is not occupied, it can prevent the corresponding Airbag is activated, which gives the vehicle owner unnecessary costs to replace the activated airbags can be spared.

Weiterhin wurden die Kräfte und Geschwindigkeiten bei der Airbag-Entfaltung allgemein optimiert, um 180 Pfund schwere männliche Insassen zu halten, weil diese einem durchschnittlichen Fahrzeuginsassen entsprechen. Die Kraft und die Geschwindigkeit zum Halten eines 180 Pfund schweren männlichen Insassen ist jedoch wesentlich höher als diejenige, die zum Halten eines kleineren Insassen wie etwa einer Frau oder eines Kindes erforderlich ist. Deshalb besteht ein Bedarf für Insassenerfassungssysteme, die verwendet werden können, um die Aktivierung der Airbags wahlweise zu steuern, wenn eine Person unter einem vorbestimmten Gewicht in dem Sitz sitzt.Farther became the forces and velocities in airbag deployment are generally optimized, 180 pounds male Keep occupants, because these an average vehicle occupants correspond. The power and speed to hold a 180 pounds male Inmates, however, is much higher as the one to hold a smaller inmate like a woman or a child is required. Therefore, there is one Need for Occupant detection systems that can be used to control the Activation of the airbags to selectively control when a person is under sits a predetermined weight in the seat.

Dementsprechend wurden andere Fahrzeug-Sicherheitssysteme vorgeschlagen, die das Gewicht eines Insassen erfassen können.Accordingly Other vehicle safety systems have been proposed that reduce the weight of an occupant.

Solche Systeme sind offenbart in der DE 100 49 528 A1 (dort zusätzlich mit einer Messung der auf den Sicherheitsgurt ausgeübten Spannung), der DE 698 25 007 T2 oder der DE 101 52 770 A1 .Such systems are disclosed in DE 100 49 528 A1 (there additionally with a measurement of the tension exerted on the safety belt), the DE 698 25 007 T2 or the DE 101 52 770 A1 ,

Wenn in einem derartigen Airbag-System das Gewicht des Insassen unter einen vorbestimmten Wert fällt, dann kann das System das Aufblasen des Airbags unterdrücken oder überhaupt eine Aktivierung des Airbags verhindern. Dadurch wird das Risiko von Verletzungen reduziert, die durch die Aktivierung eines Airbags an einem kleineren Insassen verursacht werden können.If in such an airbag system, the weight of the occupant below falls a predetermined value, then the system can suppress the inflation of the airbag or at all prevent activation of the airbag. This will be the risk reduced by injuries caused by the activation of an airbag can be caused at a smaller occupant.

Weiterhin wurden die Kräfte und Geschwindigkeiten bei der Airbag-Aktivierung allgemein optimiert, um eine Person zu halten, die allgemein aufrecht an der Lehne des Sitzes sitzt. Eine derartige Kraft und Geschwindigkeit bei der Aktivierung eines Airbags kann jedoch nicht geeignet sein, um eine anders sitzende Person zu halten. Es besteht deshalb ein Bedarf dafür, die Aktivierung eines Airbags in Abhängigkeit von der Sitzposition des Insassen zu steuern.Farther became the forces and airbag activation speeds are generally optimized, to hold a person who is generally upright at the back of the Seat sits. Such a force and speed of activation However, an airbag may not be suitable to a differently seated To hold person. There is therefore a need for activation of an airbag depending from the seating position of the occupant.

Zur Erfüllung dieses Bedarfs wurden beispielsweise in der DE 600 04 536 T2 oder der DE 102 39 761 A1 andere Fahrzeugsicherheitssysteme vorgeschlagen, die die Position eines Insassen in einem Sitz erfassen können. Wenn zum Beispiel das System feststellt, dass der Insasse an der Vorderseite des Sitzes positioniert ist, unterdrückt das System das Aufblasen des Airbags oder verhindert überhaupt die Aktivierung des Airbags. Dadurch wird das Risiko von Verletzungen reduziert, die das Aufblasen des Airbags ansonsten an dem Insassen verursachen kann. Es ist zu beachten, dass diese Insassenerfassungssysteme wertvolle Daten bereitstellen, anhand derer die Fahrzeugsicherheitssysteme effektiver funktionieren können, um Verletzungen an Fahrzeuginsassen zu reduzieren.To meet this need, for example, in the DE 600 04 536 T2 or the DE 102 39 761 A1 other vehicle safety systems have been proposed that can detect the position of an occupant in a seat. For example, if the system determines that the occupant is positioned at the front of the seat, the system suppresses inflation of the airbag or even prevents activation of the airbag. This reduces the risk of injury that may otherwise cause the airbag to inflate on the occupant. It should be noted that these occupant sensing systems provide valuable data that enables vehicle safety systems to operate more effectively to reduce injury to vehicle occupants.

Eine notwendige Komponente der oben genannten bekannten Systemen ist eine Einrichtung zum Feststellen der Präsenz des Fahrzeuginsassen im Sitz. Eine derartige Einrichtung kann eine Sensoreinrichtung umfassen, die in dem unteren Sitzkissen des Fahrzeugsitzes gehalten wird und eine Ausgabe erzeugt, die die Präsenz eines Insassen in dem Sitz angibt.A necessary component of the above known systems a device for detecting the presence of the vehicle occupant in Such a device may comprise a sensor device, which is held in the lower seat cushion of the vehicle seat and an output that generates the presence of an occupant in the seat indicates.

Außerdem lehren eine Anzahl von Insassenerfassungssystemen aus dem Stand der Technik (beispielsweise die DE 102 39 761 A1 ) die Verwendung von Erfassungsprozessen, die künstliche neuronale Netze (ANN = Artificial Neural Networks) nutzen. ANNs werden gewöhnlich einfach als neuronale Netze bezeichnet. Unter der Bezeichnung eines neuronales Netzes werden viele verschiedene Modelle und Ansätze zusammengefasst. Der Grundaufbau aller neuronalen Netze ist jedoch der parallelen Verbindung der Nervenzellen im menschlichen Gehirn ähnlich. Allgemein ist ein neuronales Netz eine Anordnung von einfachen Verarbeitungselementen, -einheiten oder -knoten. Die Verarbeitungsfähigkeit des Netzes wird in den Verbindungsstärken oder Gewichten zwischen den Einheiten gespeichert, die durch einen Adaptions- oder Lernprozess in Bezug auf Lernmuster erhalten werden. Das neuronale Netz kann einfach eine Eingabe- und eine Ausgabeschicht aus Einheiten umfassen und kann eine oder mehrere zusätzliche „verborgene” Schichten aus Einheiten umfassen, die intern die Verbindungsprozesse lenken. Der Vorteil bei der Verwendung des Ansatzes eines neuronalen Netzes besteht darin, dass das neuronale Netz nach einer entsprechenden Lernphase in der Lage ist, korrekte Ausgabeantworten aus beschränkten Eingabedaten zu verallgemeinern und zu folgern. Damit können die auf neuronalen Netzen basierenden Insassenerfassungssysteme nicht nur den aktuellen Standards entsprechen, sondern auch verfeinert werden, um ihre Fähigkeiten bei der Unterscheidung zwischen vielen verschiedenen Insassen in verschiedenen Positionen zu erweitern.In addition, a number of prior art occupant sensing systems (such as the DE 102 39 761 A1 ) the use of detection processes using artificial neural networks (ANN). ANNs are commonly referred to simply as neural networks. Under the name of a neural network, many different models and approaches are summarized. However, the basic structure of all neural networks is similar to the parallel connection of nerve cells in the human brain. Generally, a neural network is an array of simple processing elements, units or nodes. The processing capability of the network is stored in the connection strengths or weights between the units obtained by an adaptation or learning process with respect to learning patterns. The neural network may simply comprise an input and output layer of units and may include one or more additional "hidden" layers of units that internally direct the connection processes. The advantage of using the neural network approach is that after a corresponding learning phase, the neural network is able to generalize and deduce correct output responses from limited input data. Thus, the neural network-based occupant detection systems can not only meet the current standards, but also be refined to enhance their ability to discriminate between many different occupants in different positions.

Wenn allgemein ein neuronales Netz verwendet werden soll, um bestimmte Ergebnisse aus verschiedenen möglichen Eingaben zu erzeugen, muss das neuronale Netz zuerst trainiert werden, damit es die empfangenen Daten versteht. In diesem Fall wird eine Eingabe für das neuronale Netz sowie das gewünschte Ergebnis bereitgestellt. Dieser Lernprozess wird als „überwachtes Lernen” bezeichnet. Das überwachte Lernen kann auf eine Anzahl von verschiedenen bekannten Typen von neuronalen Netzen angewendet werden, wobei jedoch bei der Anwendung für eine Mustererkennung wie etwa bei der Bestimmung der Besetzung eines Fahrzeugsitzes ein clusternder Typ eines neuronalen Netzes genauer und effizienter ist. Clusternde neuronale Netze entwickeln einen Satz von „Codebuch-Vektoren”, die einen Satz von Ausgabeclustern oder -klassen definieren. Während des Lernens eines clusternden neuronalen Netzes definiert und „lernt” das neuronale Netz die Grenzen zwischen den etablierten Clustern. Das neuronale Netz verwendet eine „Lernregel”, wobei die Gewichte der Einheitsverbindungen auf der Basis der Lerndaten angepasst werden. Die Lernregel ist im wesentlichen der Algorithmus, der in dem neuronalen Netz verwendet wird und auf der Basis dessen entschieden wird, wie die eingehenden Daten klassifiziert werden sollen, wenn das neuronale Netz nach Abschluss des Trainings eingesetzt wird.If In general, a neural network should be used to detect certain Results from different possible ones To generate inputs, the neural network must first be trained so that it understands the received data. In this case, a Input for the neural network as well as the desired Result provided. This learning process is called "supervised Learning ". That supervised Learning can be based on a number of different known types of neural networks, but in the application for one Pattern recognition such as in determining the occupation of a Vehicle seat is a clustering type of neural network in more detail and more efficient. Clustering neural networks develop one Set of "codebook vectors" representing a Defining a set of output clusters or classes. During the Learning a clustering neural network defines and "learns" the neural network the boundaries between the established clusters. The neural network uses a "learning rule" where the weights of the unit connections based on the learning data be adjusted. The learning rule is essentially the algorithm, which is used in the neural network and based thereon It is decided how the incoming data is classified should be when the neural network is used after completing the workout becomes.

Bei einem clusternden neuronalen Netz zum Durchführen einer Mustererkennung und Klassifikation einer physikalischen Präsenz in einem Fahrzeugsitz werden eine Gruppe von Sensoren, die in einer Anordnung angeordnet sind, zum Sammeln der Roheingabedaten verwendet. Weil die neuronalen Netze digital betrieben werden und die aus der Sensoranordnung erhaltenen Daten analog sind, müssen die Daten zu einem repräsentativen digitalen Signal für die Eingabe in das neuronale Netz gewandelt werden. Gewöhnlich ist ein aufwändiges Filtern erforderlich, um Mängel in der Anordnung zu kompensieren oder die Daten für die Nutzung mit dem verwendeten Typ von neuronalem Netz vorzubereiten.at a clustering neural network for performing pattern recognition and classifying a physical presence in a vehicle seat be a group of sensors arranged in an array are used to collect the raw input data. Because the neural Networks are operated digitally and obtained from the sensor array Data are analog, must the data becomes a representative digital signal for the Input into the neural network to be converted. Usually is an elaborate one Filtering required to defects in the arrangement to compensate or the data for use to prepare with the type of neural network used.

Bei neuronalen Netzen stört ein Überlappen der Sensordaten die Unterscheidung zwischen verschiedenen Mustern in bestimmten Gewichtsbereichen. Dies kann eine falsche Interpretation der Sensordaten und eine mögliche Fehlklassifikation des Insassen zur Folge haben.at disturbing neural networks an overlap of Sensor data the distinction between different patterns in certain weight ranges. This may be a wrong interpretation the sensor data and a possible Misclassification of the occupant.

Dementsprechend besteht ein Bedarf für ein Verfahren zum Unterscheiden von Insasseneigenschaften, ohne dass dafür eine beträchtliche Anzahl von Sensoren zu dem System hinzugefügt werden müssen. Es besteht weiterhin ein Bedarf zum Übergehen eines neuronalen Netzes, wenn das neuronale Netz einen Sitzinsassen falsch klassifiziert.Accordingly there is a need for a method for discriminating occupant characteristics, without that for that a considerable one Number of sensors to be added to the system. It still exists a need to go over a neural network when the neural network is a seat occupant wrongly classified.

Die vorliegende Erfindung löst die Aufgabe, ein entsprechend verbessertes Verfahren und System zur Verfügung zu stellen, durch ein Verfahren mit den Merkmalen eines der Ansprüche 1 oder 11, beziehungsweise durch ein Insassen-Klassifikationssystem mit den Merkmalen des Anspruchs 17. Vorteilhafte Weiterbildungen der Erfindung sind in den abhängigen Ansprüche angegeben.The present invention solves the task, a correspondingly improved procedure and system to disposal by a method having the features of one of claims 1 or 11, or by an occupant classification system with The features of claim 17. Advantageous developments of Invention are in the dependent claims specified.

Die Nachteile aus dem Stand der Technik werden durch das Verfahren zum Unterscheiden einer Eingabe zu einem Erfassungsalgorithmus beseitigt, der in Verbindung mit einem Insassenklassifikationssystem verwendet wird. Das Verfahren umfasse das Erzeugen einer Reihe von Sensorsignalen aus einer Sensoranordnung, das Erzeugen eines Sensorsignals aus einem Sitzgurt-Spannungssensor und das Erzeugen eines Mustererkennungsalgorithmus in Abhängigkeit von der Reihe von Sensorsignalen aus der Sensoranordnung und dem Sensorsignal aus dem Sitzgurt-Spannungssensor.The Disadvantages of the prior art are achieved by the method for Distinguishing an input to a detection algorithm eliminates, used in conjunction with an occupant classification system becomes. The method includes generating a series of sensor signals from a sensor arrangement, generating a sensor signal a seat belt tension sensor and generating a pattern recognition algorithm in FIG dependence from the series of sensor signals from the sensor array and the Sensor signal from the seat belt tension sensor.

Die vorliegende Erfindung bietet den Vorteil, dass sie eine deutlichere Unterscheidung zwischen Kindersicherheitssitzen und lebendigen Insassen ermöglicht. Ein weiterer Vorteil der vorliegenden Erfindung besteht darin, dass keine wesentliche Anzahl von zusätzlichen Sensoren erforderlich ist.The present invention offers the advantage of allowing a clearer distinction between child safety seats and living occupants. Another advantage of the present invention is that no substantial number required by additional sensors.

Andere Merkmale und Vorteile der vorliegenden Erfindung werden durch die folgende Beschreibung mit Bezug auf die beigefügten Zeichnungen verdeutlicht. Die vorliegende Erfindung sowie weitere Aufgaben und Vorteile werden durch die folgende ausführliche Beschreibung mit Bezug auf die beigefügten Zeichnungen verdeutlicht.Other Features and advantages of the present invention are achieved by the the following description with reference to the accompanying drawings illustrates. The present invention as well as other objects and advantages will be by the following detailed Description with reference to the accompanying drawings illustrates.

Um die Erfindung zu verdeutlichen, werden im Folgenden bestimmte Ausführungsformen ausführlicher mit Bezug auf die beigefügten Zeichnungen beschrieben.Around to illustrate the invention, hereinafter certain embodiments in more detail with reference to the attached Drawings described.

1 ist eine Explosionsansicht eines Fahrzeugsitzes mit einer Vielzahl von Sensoren gemäß einer Ausführungsform der vorliegenden Erfindung. 1 FIG. 10 is an exploded view of a vehicle seat having a plurality of sensors according to an embodiment of the present invention. FIG.

2 ist ein logisches Flussdiagramm des Verfahrens der vorliegenden Erfindung gemäß einer anderen Ausführungsform der vorliegenden Erfindung. 2 Figure 3 is a logic flow diagram of the method of the present invention according to another embodiment of the present invention.

Die vorliegende Erfindung wird primär mit Bezug auf ein Unterscheidungseingabesystem für einen Entscheidungsalgorithmus in einem Kraftfahrzeug beschrieben, wobei dem Fachmann aber deutlich sein sollte, dass die vorliegende Erfindung aber auch auf verschiedene andere Anwendungen angepasst werden kann, die Unterscheidungseingabesysteme erfordern.The The present invention will be primary with reference to a discrimination input system for a decision algorithm described in a motor vehicle, but the skilled person but clearly should be that the present invention but also to various other applications can be customized, the distinction input systems require.

In der folgenden Beschreibung werden verschiedene Betriebsparameter und Komponenten für eine Anzahl von Ausführungsformen beschrieben. Die spezifischen Parameter und Komponenten sind beispielhaft und keinesfalls einschränkend aufzufassen.In The following description will discuss various operating parameters and components for one Number of embodiments described. The specific parameters and components are exemplary and by no means restrictive specific.

In den Zeichnungen werden gleiche Bezugszeichen verwendet, um identische Komponenten anzugeben. In der Explosionsansicht von 1 ist ein Beispiel einer Fahrzeugsitzanordnung 10 (für ein nicht gezeigtes Fahrzeug) mit einem Insassenklassifikationssystem 8 bzw. Insassenerfassungssystem (ausführlich mit Bezug auf 2 erläutert) gezeigt, das in dem Verfahren der vorliegenden Erfindung verwendet werden kann. Die Fahrzeugsitzanordnung 10 umfasst eine Sitzlehne 12 und eine untere Sitzanordnung 14. Die untere Sitzanordnung 14 umfasst ein Sitzkissen 16, das eine obere Fläche 18 und eine untere Fläche 20, die von der oberen Fläche 18 beabstandet ist, definiert. Das Sitzkissen 16 definiert weiterhin eine Innenseite 22 und eine Außenseite 24. Wenn ein Insasse (nicht gezeigt) auf der unteren Sitzanordnung 14 gehalten wird, übt das Gewicht des Insassen eine Axiallast aus, die allgemein durch die obere Fläche 18 des Sitzkissens 16 zu der unteren Fläche 20 gerichtet ist. Obwohl das Gewicht des Insassen eine axiale Kraft und außerdem Scherkräfte in dem Sitzkissen 16 veranlasst, sollte dem Fachmann deutlich sein, dass der primäre Lastpfad des Gewichts des Insassen im wesentlichen vertikal von der oberen Fläche 18 durch das Sitzkissen 16 zu der unteren Fläche 20 verläuft.In the drawings, like reference numerals are used to indicate identical components. In the exploded view of 1 is an example of a vehicle seat assembly 10 (for a vehicle not shown) with an occupant classification system 8th or occupant detection system (in detail with reference to 2 illustrated) that can be used in the process of the present invention. The vehicle seat arrangement 10 includes a seat back 12 and a lower seat assembly 14 , The lower seat arrangement 14 includes a seat cushion 16 that is an upper surface 18 and a lower surface 20 coming from the upper surface 18 is spaced, defined. The seat cushion 16 also defines an inside 22 and an outside 24 , When an occupant (not shown) on the lower seat assembly 14 is held, the weight of the occupant exerts an axial load, generally by the upper surface 18 of the seat cushion 16 to the lower surface 20 is directed. Although the weight of the occupant has an axial force and also shearing forces in the seat cushion 16 It should be apparent to those skilled in the art that the primary load path of the occupant's weight is substantially vertical from the upper surface 18 through the seat cushion 16 to the lower surface 20 runs.

Die untere Sitzanordnung 14 umfasst weiterhin eine Sitzpfanne 26. Die Sitzpfanne 26 ist allgemein unter der unteren Fläche 18 angeordnet, um das Sitzkissen 16 zu halten. Die Sitzpfanne 26 wird wiederum operativ relativ zu dem Boden des Fahrzeugs (nicht gezeigt) unter Verwendung eines beliebigen Aufbaus aus dem Stand der Technik wie etwa einer Sitzschiene (nicht gezeigt) gehalten. Außerdem umfasst die Fahrzeugsitzanordnung 10 ein Fahrzeuginsassen-Erfassungssystem 28. Das Fahrzeuginsassen-Erfassungssystem 28 wird verwendet, um einen Zustand der Fahrzeugsitzanordnung 10 festzustellen, etwa ob die Fahrzeugsitzanordnung 10 besetzt ist oder nicht, die Größen- und Gewichtsklassifikation des Insassen, oder ob der Insasse an einer bestimmten Position sitzt.The lower seat arrangement 14 also includes a seat pan 26 , The seat pan 26 is generally below the lower surface 18 arranged to the seat cushion 16 to keep. The seat pan 26 in turn, is operatively held relative to the floor of the vehicle (not shown) using any prior art structure such as a seat track (not shown). In addition, the vehicle seat assembly includes 10 a vehicle occupant detection system 28 , The vehicle occupant detection system 28 is used to condition the vehicle seat assembly 10 determine, for example, whether the vehicle seat assembly 10 occupied or not, the size and weight classification of the occupant, or whether the occupant sits in a certain position.

Eine Ausführungsform des Insassenerfassungssystems 28 umfasst eine Schaltungsträgerschale 30, die durch die Sitzpfanne 26 gehalten wird. Die Schaltungsträgerpfanne 30 umfasst eine Vielzahl von elastischen Haltelaschen 32, die sich nach oben zu der unteren Fläche 20 des unteren Sitzkissens 16 erstrecken. Die Schale 30 hält Komponenten des Fahrzeuginsassen-Erfassungssystems.An embodiment of the occupant detection system 28 includes a circuit carrier shell 30 passing through the seat pan 26 is held. The circuit carrier pan 30 includes a variety of elastic retaining tabs 32 that go up to the bottom surface 20 of the lower seat cushion 16 extend. The shell 30 holds components of the vehicle occupant detection system.

Das Insassenerfassungssystem 28 umfasst auch einen Schaltungsträger 34, der in Nachbarschaft zu der unteren Fläche 20 des Sitzkissens 16 angeordnet ist. Die Schale 30 hält den Schaltungsträger 34, und der Schaltungsträger 34 umfasst eine Vielzahl von Aussparungen 36, die jeweils eine Form aufweisen, die der Form der Haltelaschen 32 der Schale 30 entspricht, sodass sich die Laschen 32 nach oben durch den Schaltungsträger 34 erstrecken können.The occupant detection system 28 also includes a circuit carrier 34 in the neighborhood of the lower surface 20 of the seat cushion 16 is arranged. The shell 30 Holds the circuit carrier 34 , and the circuit carrier 34 includes a variety of recesses 36 , each having a shape that the shape of the retaining tabs 32 the Bowl 30 matches, so the tabs 32 up through the circuit board 34 can extend.

Das Insassenerfassungssystem 28 umfasst weiterhin Leiter 38, die durch den Schaltungsträger 34 gehalten werden. Die Leiter 38 sind elektrisch mit einem Steuersystem 40 verbunden. Die Leiter 38 leiten elektrische Signale, die durch das Fahrzeuginsassen-Erfassungssystem 28 erzeugt werden, zu dem Steuersystem 40. Das Steuersystem 40 ist elektrisch mit einem Haltesystem 42 verbunden. Das Haltesystem 42 kann einem bestimmten Typ angehören und etwa ein Airbag-System sein, wobei das Steuersystem 40 das Haltesystem 42 auf der Basis der Signale aus den Leitern 38 steuert. Es wird hier auf ein Airbag-Haltesystem Bezug genommen, wobei dem Fachmann jedoch deutlich sein sollte, dass der Erfindungsumfang nicht auf einen bestimmten Typ von Haltesystem 42 beschränkt ist, das mit dem Steuersystem 40 verbunden ist.The occupant detection system 28 continues to include leaders 38 passing through the circuit carrier 34 being held. The ladder 38 are electric with a control system 40 connected. The ladder 38 conduct electrical signals generated by the vehicle occupant sensing system 28 generated to the control system 40 , The tax system 40 is electric with a holding system 42 connected. The holding system 42 may be of a certain type and be about an airbag system, the control system 40 the holding system 42 based on the signals from the conductors 38 controls. Reference is made herein to an air bag restraint system, however, it should be apparent to those skilled in the art that the scope of the invention is not limited to a particular type of restraint system 42 is limited, with the tax system 40 connected is.

Das Fahrzeuginsassen-Erfassungssystem 28 in diesem Beispiel umfasst weiterhin eine Vielzahl von Sensoranordnungen 44, die durch die Schale 30 unter der unteren Fläche 20 des Sitzkissens 16 gehalten werden. Diese Vielzahl von Sensoranordnungen 44 definieren gemeinsam eine Sensoranordnung 45.The vehicle occupant detection system 28 In this example, further includes a plurality of sensor arrays 44 passing through the shell 30 under the lower surface 20 of the seat cushion 16 being held. This variety of sensor arrangements 44 together define a sensor arrangement 45 ,

Ein Sensor 46 ist operativ relativ zu den niederprofiligen Sensoranordnungen 32 fixiert. Der Sensor 46 kommuniziert elektrisch mit der den Leitern 38.A sensor 46 is operational relative to the low profile sensor assemblies 32 fixed. The sensor 46 communicates electrically with the conductors 38 ,

Auf diese Weise bildet die Sensoranordnung 45 durch die kombinierte Ausgabe der Sensoren 46 einen Teil eines Fahrzeugsitzbesetzungs-Erfassungssystems, das mit dem ergänzenden Haltesystem 42 assoziiert ist.In this way, the sensor arrangement forms 45 through the combined output of the sensors 46 a portion of a vehicle seat occupancy detection system associated with the supplemental restraint system 42 is associated.

Die Sensoranordnung 45 kann auch einen Sitzgurt-Spannungssensor 43 umfassen, der Drucksignale in Abhängigkeit von der Nutzung des Sitzgurts 45 erzeugt. Der Sitzgurt-Spannungssensor 43 wird hier jedoch in einer anderen Ausführungsform separat zu der Sensoranordnung 45 beschrieben. Weiterhin kann der Sitzgurt-Spannungssensor ein diskretes (0/1) oder ein analoges Signal erzeugen.The sensor arrangement 45 can also have a seat belt tension sensor 43 include, the pressure signals depending on the use of the seat belt 45 generated. The seat belt tension sensor 43 However, in another embodiment, this is separate from the sensor arrangement 45 described. Further, the seat belt tension sensor may generate a discrete (0/1) or analog signal.

Die Sensoranordnung 45 und der Sitzgurt-Spannungssensor 43 werden verwendet, um Daten für das Steuersystem 40 des ergänzenden Haltesystems bereitzustellen. Dies wird hier allgemein als Erfassungsalgorithmus bezeichnet. Das Steuersystem 40 des ergänzenden Haltesystems kann ein neuronales Netz 41 verwenden. In diesem Fall verwendet das Steuersystem 40 das durch die Sensoranordnung 45 und den Sitzgurt-Spannungssensor 43 erzeugte Muster auf der Basis der durch das neuronale Netz erkannten Besetzung der Fahrzeugsitze, um die Aktivierung der Airbags zu gestatten oder zu unterdrücken. Dies wird allgemein als Mustererkennungsalgorithmus bezeichnet.The sensor arrangement 45 and the seat belt tension sensor 43 are used to data for the control system 40 of the supplementary holding system. This is commonly referred to herein as a detection algorithm. The tax system 40 of the supplementary holding system may be a neural network 41 use. In this case, the control system uses 40 that through the sensor assembly 45 and the seat belt tension sensor 43 generated patterns based on the occupied by the neural network occupation of the vehicle seats to allow or suppress the activation of the airbags. This is commonly referred to as a pattern recognition algorithm.

Insbesondere wenn eine physikalische Präsenz den Fahrzeugsitz besetzt, erzeugen die kollektiven Sensorausgaben der Sensoren 46 in der Sensoranordnung 45 und der Sitzgurt-Spannungssensor 43 ein bestimmtes Muster, das das neuronale Netz als zu einer bestimmten Gruppe von Mustern (d. h. einem Cluster oder einer Klassifikation) zugehörig erkennt. Wenn das Muster in eine vorbestimmte Klassifikation fällt, die die Aktivierung des Airbags im Fall einer Kollision vorsieht, wird das Steuersystem 40 entsprechend vorbereitet. Wenn das Muster in eine Klassifikation fällt, die keine Aktivierung des Airbags im Fall einer Kollision vorsieht, führt das Steuersystem 40 Schritte durch, um die Aktivierung zu unterdrücken. Weiterhin sieht die Klassifikation des erkannten Musters auch vor, dass das Steuersystem 40 die Rate und den Prozentsatz der Airbag-Aktivierung steuern kann, sofern das ergänzende Haltesystem derart beschaffen ist.In particular, when a physical presence occupies the vehicle seat, the collective sensor outputs of the sensors generate 46 in the sensor arrangement 45 and the seat belt tension sensor 43 a particular pattern that recognizes the neural network as belonging to a particular group of patterns (ie, a cluster or a classification). If the pattern falls within a predetermined classification that provides for activation of the airbag in the event of a collision, the control system becomes 40 prepared accordingly. If the pattern falls within a classification that does not provide activation of the airbag in the event of a collision, the control system will result 40 Take steps to suppress the activation. Furthermore, the classification of the recognized pattern also provides that the control system 40 can control the rate and percentage of air bag activation, if the supplemental restraint system is such.

Es ist zu beachten, dass die hier verwendeten grundlegenden Klassifikationen der Insassen denjenigen entsprechen, die in der Branche durch behördliche Regelungen vorgeschrieben sind, wobei die Erfindung jedoch nicht nur auf diese Klassenunterscheidungen beschränkt ist, sondern eine viel größere Anzahl von Klassen unterscheiden kann, um etwa zukünftigen Anforderungen zu entsprechen.It It should be noted that the basic classifications used here the inmates correspond to those in the industry by regulatory Regulations are prescribed, but the invention is not limited only to these class distinctions, but a lot larger number different from classes to meet future requirements.

In 2 ist ein logisches Flussdiagramm 80 gezeigt, das ein Verfahren zum Unterscheiden einer Eingabe für einen Entscheidungsalgorithmus gemäß einer Ausführungsform der vorliegenden Erfindung erläutert. Die Logik kann mit dem Steuersystem 40 und/oder dem neuronalen Netz verbunden werden. Die Logik beginnt in Block 82, wo die Sensoren gelesen werden oder Sensordaten in dem Steuersystem empfangen werden. Die Sensoren können die Sensoranordnung (Insassensensoren) S1 bis SN (z. B. die Sensoranordnung) und den Sitzgurt-Spannungssensor umfassen.In 2 is a logical flowchart 80 which illustrates a method for distinguishing an input for a decision algorithm according to an embodiment of the present invention. The logic can be with the control system 40 and / or the neural network. The logic starts in block 82 where the sensors are read or sensor data is received in the control system. The sensors may include the sensor assembly (occupant sensors) S 1 to S N (eg, the sensor assembly) and the seat belt tension sensor.

In Block 84 werden die in Block 82 empfangenen Sensoreingaben vorverarbeitet. Die Vorverarbeitung kann eine Versatzanpassung oder eine andere Manipulation der Sensordaten umfassen, damit die Daten in der Software verarbeitet werden können.In block 84 be in block 82 preprocessed received sensor inputs. The preprocessing may include an offset adjustment or other manipulation of the sensor data to allow the data to be processed in the software.

In Block 86 wird ein Mustererkennungs-Merkmalsatz in Abhängigkeit von den Sensoranordnungsdaten und den Sitzgurt-Spannungssensordaten erzeugt. Die Sitzgurt-Spannungssensordaten können verwendet werden, um das neuronale Netz zu übergehen und eine vorbestimmte Ausgabe vorzusehen. Das neuronale Netz wird in Situationen übergangen, in denen der Sitzgurt-Spannungssensor zum Beispiel einen größeren Wert als die normale Spannung erfasst, was darauf hindeutet, dass sich ein Kindersitz auf dem Sitz befindet und kein erwachsener Insasse. Normalerweise können straff eingespannte Kindersitze Signale vorsehen, die den Signalen für normale Insassen ähnlich sind. Durch die zusätzlichen Sitzgurt-Spannungssensordaten kann eine Muster- oder Summenüberlappung aufgelöst werden, die zwischen einem straff eingespannten Kindersitz und einem lebendigen Insassen bestehen kann.In block 86 For example, a pattern recognition feature set is generated in response to the sensor array data and the seat belt tension sensor data. The seat belt tension sensor data may be used to bypass the neural network and provide a predetermined output. The neural network is bypassed in situations where the seat belt tension sensor detects, for example, a greater value than the normal tension, indicating that a child seat is on the seat rather than an adult occupant. Normally, taut child seats can provide signals that are similar to normal occupant signals. The additional seat belt tension sensor data can resolve a pattern or sum overlap that can exist between a taut child seat and a living occupant.

In einer alternativen Ausführungsform können die Sitzgurt-Spannungssensordaten auch als zusätzlicher Raumvektor für das neuronale Netz zur Erzeugung des Mustererkennungs-Merkmalsatzes verwendet werden.In an alternative embodiment can the seat belt tension sensor data also as an extra space vector for the neural Network used to generate the pattern recognition feature set become.

In dem Block 88 wird der Mustererkennungsalgorithmus ausgeführt.In the block 88 the pattern recognition algorithm is executed.

In Block 90 wird die Ausgabe aus Block 88 nachverarbeitet, was eine Filterung der Daten umfassen kann. Zum Beispiel können die Ausgabedaten mit den letzten zehn Beispielen verglichen werden. Wenn dabei neun der letzten zehn Beispiele eine Entsprechung angeben, wird die nicht entsprechende Ausgabe übergangen. Das Klassifikationssignal wird aus Block 90 ausgegeben.In block 90 the output is out of block 88 post-processed, which may include filtering the data. For example, the output data can be compared with the last ten examples. If nine of the last ten examples indicate a match, the mismatched output will be skipped. The classification signal is block 90 output.

Bei einem Verfahren zum Erfassen eines Insassen für die Eingabe in das neuronale Netz gemäß einer Ausführungsform der vorliegenden Erfindung wird eine Sensoranordnung 45 gebildet. Die Sensoranordnung 45 wird zuerst gebildet, indem die Vielzahl von Sensoranordnungen 44 unter der Sitzkissenform angeordnet wird. Es ist zu beachten, dass die anfängliche Wahl einer bestimmten Anzahl von Sensoranordnungen 44 willkürlich ist und sich je nach der Größe des Sitzes oder anderen physikalischen Eigenschaften der Sitzkomponenten unterscheiden kann. Es ist weiterhin zu beachten, dass, wie weiter unten erläutert, das Verfahren der vorliegenden Erfindung beim Sitzentwurf hilfreich ist, um zu bestimmen, ob weitere Sensoren erforderlich sind, um die Besetzung des Sitzes korrekt zu erfassen, oder ob einige Sensoren redundant sind.In a method for detecting an occupant for input to the neural network according to an embodiment of the present invention, a sensor arrangement 45 educated. The sensor arrangement 45 is first formed by the plurality of sensor arrays 44 is arranged under the seat cushion mold. It should be noted that the initial choice of a certain number of sensor arrangements 44 is arbitrary and may vary depending on the size of the seat or other physical characteristics of the seat components. It should also be noted that, as discussed below, the seat design method of the present invention is useful for determining if additional sensors are needed to correctly detect occupancy of the seat or if some sensors are redundant.

Weil in 1 dieser Teil des Verfahrens der vorliegenden Erfindung ein Unterscheidungseingabesystem für einen Entscheidungsalgorithmus zum Erzeugen der Ausgabe einer Sitzsensoranordnung und eines Sitzgurtsensors für einen Fahrzeugsitz in Verbindung mit einem neuronalen Netz vorsieht, können die Anordnung und der Sitzgurtsensor elektrisch mit dem neuronalen Netz verbunden werden. Es ist zu beachten, dass eine Schnittstelle zwischen der Anordnung, dem Sitzgurtsensor und den neuronalen Netz vorgesehen werden muss, damit die analogen oder digitalen Daten aus der Anordnung und dem Sitzgurtsensor vorverarbeitet werden können, um digitale Informationen in einer Form vorzusehen, die durch das neuronale Netz verstanden werden kann. Dies ist jedoch nicht Teil der Erfindung. Weiterhin müssen die Daten als eine Reihe von repräsentativen Sitzbesetzungsmustern für das neuronale Netz verständlich sein.Because in 1 this part of the method of the present invention provides a discrimination input system for a decision algorithm for generating the output of a seat sensor assembly and a seat belt sensor for a vehicle seat in conjunction with a neural network, the assembly and the seat belt sensor can be electrically connected to the neural network. It should be noted that an interface between the assembly, the seat belt sensor and the neural network must be provided in order for the analog or digital data from the assembly and the seat belt sensor to be preprocessed to provide digital information in a form that is provided by the neural network Network can be understood. However, this is not part of the invention. Furthermore, the data must be understandable as a series of representative neural network occupancy patterns.

Indem also ein System mit einer Sensoranordnung und einem Unterscheidungseingabesystem für einen Entscheidungsalgorithmus verwendet wird, kann das ergänzende Haltesystem distinkt eine physikalische Präsenz in einem Fahrzeugsitz bestimmen, die zu einer bestimmten Besetzungsklassifikation gehört. Das Verfahren der vorliegenden Erfindung beseitigt also die Nachteile und Beschränkungen des Standes der Technik, indem sie ein Unterscheidungseingabesystem für einen Entscheidungsalgorithmus für eine Sensoranordnung in Verbindung mit einem neuronalen Netz in einem System angibt, in dem das neuronale Netz zwischen den verschiedenen Besetzungsklassifikationen unterscheiden kann.By doing So a system with a sensor array and a discrimination input system for a Decision algorithm used, the supplementary holding system is a physical presence in a vehicle seat that determine a particular occupancy classification belongs. The method of the present invention thus eliminates the disadvantages and restrictions of the prior art by providing a discrimination input system for one Decision algorithm for a sensor arrangement in conjunction with a neural network in indicates a system in which the neural network between the different Can differentiate between cast classifications.

Das Verfahren zur Eingabe einer Unterscheidung in einen Sensoralgorithmus, das mit der Ausgabe einer Sensoranordnung und eines Sitzgurt-Spannungssensors für ein Fahrzeugsitz-Besetzungserfassungssystem in Verbindung mit einem neuronalen Netz für die Besetzungsklassifikation verwendet wird, umfasst Schritte zum Einspannen von einem Insassen oder einem Sicherheitssitz in einem bestimmten Fahrzeugsitz unter Verwendung eines Sitzgurts; zum Erzeugen einer Reihe von Sensorantwortsignalen aus der Sensoranordnung und dem Sitzgurt-Spannungssensor in Reaktion auf einen Druck auf den Fahrzeugsitz und eine Spannung an dem Sitzgurt; zum Vergleich jedes Sensorantwortsignals durch das neuronale Netz; und zum Erzeugen eines Klassifikationssignals in dem neuronalen Netz in Abhängigkeit von den Antwortsignalen, um anzugeben, dass die Spannung an dem Sitzgurt einen vorbestimmten Schwellwert überschreitet und sich also ein Sicherheitssitz in dem Fahrzeugsitz befindet.The Method for entering a distinction into a sensor algorithm, that with the output of a sensor assembly and a seat belt tension sensor for a Vehicle seat occupant detection system in conjunction with a neural network for the population classification includes steps for clamping an occupant or a safety seat in a specific vehicle seat Use of a seat belt; for generating a series of sensor response signals the sensor assembly and the seat belt tension sensor in response on a pressure on the vehicle seat and a tension on the seat belt; to the Comparison of each sensor response signal by the neural network; and for generating a classification signal in the neural network in dependence of the response signals to indicate that the tension on the seat belt exceeds a predetermined threshold and thus a safety seat is located in the vehicle seat.

Die Erfindung wurde mit Bezug auf eine oder mehrere Ausführungsformen beschrieben, wobei zu beachten ist, dass die hier beschriebenen spezifischen Mechanismen und Techniken lediglich beispielhaft für die Prinzipien der Erfindung sind, wobei zahlreiche Modifikationen an den beschriebenen Verfahren und Vorrichtungen vorgenommen werden können, ohne dass deshalb der durch die beigefügten Ansprüche definierte Erfindungsumfang verlassen wird.The The invention has been described with reference to one or more embodiments It should be noted that the ones described here specific mechanisms and techniques merely exemplify the principles of the invention, with numerous modifications to those described Methods and devices can be made without that, therefore, the through the attached claims is left defined scope of the invention.

Claims (17)

Verfahren zum Unterscheiden einer Eingabe in einen Erfassungsalgorithmus in einem Insassenklassifikationssystem (8), wobei das Verfahren folgende Schritte umfasst: Erzeugen einer Reihe von Sensorsignalen aus einer Sensoranordnung (45); Erzeugen eines Sensorsignals aus einem Sitzgurt-Spannungssensor (43); und Ausführen eines Musterkennungsalgorithmus in Abhängigkeit von der Reihe von Sensorsignalen aus der Sensoranordnung (45) und dem Sensorsignal aus dem Sitzgurt-Spannungssensor (43), dadurch gekennzeichnet, dass das Ausführen des Mustererkennungsalgorithmus das Analysieren der Reihe von Sensorsignalen aus der Sensoranordnung (45) und des Sensorsignals aus dem Sitzgurt-Spannungssensor (43) in einem neuronalen Netz (41) umfasst.Method for distinguishing an input into a detection algorithm in an occupant classification system ( 8th ), the method comprising the steps of: generating a series of sensor signals from a sensor array ( 45 ); Generating a sensor signal from a seat belt tension sensor ( 43 ); and executing a pattern recognition algorithm in dependence on the series of sensor signals from the sensor array ( 45 ) and the sensor signal from the seat belt tension sensor ( 43 characterized in that the performing of the pattern recognition algorithm comprises analyzing the series of sensor signals from the sensor array ( 45 ) and the sensor signal from the seat belt tension sensor ( 43 ) in a neural network ( 41 ). Verfahren nach Anspruch 1, weiterhin gekennzeichnet durch das Vorverarbeiten der Reihe von Sensorsignalen aus der Sensoranordnung (45) und dem Sensorsignal aus dem Sitzgurt-Spannungssensor (43) vor dem Ausführen des Mustererkennungsalgorithmus.The method of claim 1, further characterized by pre-processing the series of sensor signals from the sensor array ( 45 ) and the sensor signal from the seat belt tension sensor ( 43 ) before executing pattern recognition algorithm. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass das Vorverarbeiten das Anpassen von Sensorversätzen umfasst, um Signale zu erzeugen, die innerhalb der Software-Beschränkungen verarbeitet werden können.Method according to claim 2, characterized in that preprocessing involves adjusting sensor offsets, to generate signals within the software limitations can be processed. Verfahren nach Anspruch 1, weiterhin gekennzeichnet durch das Nachverarbeiten der Ausgabe aus dem Mustererkennungsalgorithmus.The method of claim 1, further characterized by reprocessing the output from the pattern recognition algorithm. Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass der Nachverarbeitungsalgorithmus das Filtern der Ausgabe umfasst.Method according to claim 4, characterized in that the post-processing algorithm comprises filtering the output. Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass die Nachverarbeitung das Übergehen einer nicht entsprechenden Ausgabe relativ zu einer Reihe von entsprechenden Ausgaben umfasst.Method according to claim 4, characterized in that that postprocessing is going over one not appropriate output relative to a number of corresponding ones Includes expenses. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das Erzeugen des Sensorsignals aus dem Sitzgurt-Spannungssensor (43) das Erzeugen von einem hohen Starkspannungs-Signal, das angibt, dass ein Sitzgurt straff über einen Insassen gespannt ist, oder von einem Niedrigspannungs-Signal, das angibt, dass der Sitzgurt normal über den Insassen gespannt ist, umfasst.Method according to claim 1, characterized in that the generation of the sensor signal from the seat belt tension sensor ( 43 ) generating a high voltage signal indicating that a seat belt is taut over an occupant or a low voltage signal indicating that the seat belt is normally tensioned over the occupant. Verfahren nach Anspruch 7, dadurch gekennzeichnet, dass das Starkspannungs-Signal angibt, dass der Sitzgurt über einen Kindersicherheitssitz gespannt ist.Method according to claim 7, characterized in that that the high voltage signal indicates that the seat belt is over a child safety seat is stretched. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das Ausführen des Mustererkennungsalgorithmus das Ignorieren der Reihe von Sensorsignalen aus der Sensoranordnung (45) in Reaktion auf das Sensorsignal aus dem Sitzgurt-Spannungssensor (43) umfasst, um eine Spannung anzugeben, die einem Sicherheitssitz entspricht.A method according to claim 1, characterized in that the execution of the pattern recognition algorithm comprises ignoring the series of sensor signals from the sensor array ( 45 ) in response to the sensor signal from the seat belt tension sensor ( 43 ) to indicate a tension corresponding to a safety seat. Verfahren nach Anspruch 9, das weiterhin das Erzeugen der Mustererkennung in dem neuronalen Netz (41) umfasst, wobei der Schritt zum Ignorieren das Übergehen der Ausgabe aus dem neuronalen Netz (41) und das Vorsehen einer vorbestimmten Ausgabe als Mustererkennung umfasst.The method of claim 9, further comprising generating the pattern recognition in the neural network ( 41 ), wherein the step of ignoring omits the output from the neural network ( 41 ) and providing a predetermined output as pattern recognition. Verfahren zum Unterscheiden einer Eingabe in einen Erfassungsalgorithmus, der mit der Ausgabe aus einer Sensoranordnung (45) und einem Sitzgurt-Spannungssensor (43) für ein Fahrzeugsitz-Besetzungserfassungssystem (28) in Verbindung mit einem neuronalen Netz (41) für die Besetzungsklassifikation verwendet wird, wobei das Verfahren die folgenden Schritte umfasst: Festgurten eines Insassen oder eines Sicherheitssitzes in einem bestimmten Fahrzeugsitz durch einen Sitzgurt; Erzeugen einer Reihe von Sensorantwortsignalen aus der Sensoranordnung (45) und dem Sitzgurt-Spannungssensor (43) in Reaktion auf einen Druck auf den Fahrzeugsitz und eine Spannung an dem Sitzgurt; Vergleichen jedes Sensorantwortsignals durch das neuronale Netz (41); und Erzeugen eines Klassifikationssignals in dem neuronalen Netz (41) in Abhängigkeit von den Antwortsignalen, die angeben, dass die Spannung an dem Sitzgurt einen vorbestimmten Schwellwert überschreitet, was darauf hinweist, dass ein Sicherheitssitz in dem Fahrzeugsitz vorhanden ist.Method for distinguishing an input into a detection algorithm that coincides with the output from a sensor arrangement ( 45 ) and a seat belt tension sensor ( 43 ) for a vehicle seat occupancy detection system ( 28 ) in conjunction with a neural network ( 41 ) is used for the occupancy classification, the method comprising the steps of: strapping an occupant or a safety seat in a particular vehicle seat through a seat belt; Generating a series of sensor response signals from the sensor array ( 45 ) and the seat belt tension sensor ( 43 ) in response to a pressure on the vehicle seat and a tension on the seat belt; Comparing each sensor response signal through the neural network ( 41 ); and generating a classification signal in the neural network ( 41 ) in response to the response signals indicating that the tension on the seat belt exceeds a predetermined threshold, indicating that a safety seat is present in the vehicle seat. Verfahren nach Anspruch 11, weiterhin gekennzeichnet durch das Vorverarbeiten der Reihe von Sensorantwortsignalen aus der Sensoranordnung (45) und dem Sitzgurt-Spannungssensor (43) vor dem Vergleichen jedes Sensorantwortsignals durch das neuronale Netz (41).The method of claim 11, further characterized by pre-processing the series of sensor response signals from the sensor array ( 45 ) and the seat belt tension sensor ( 43 ) before comparing each sensor response signal through the neural network ( 41 ). Verfahren nach Anspruch 12, dadurch gekennzeichnet, dass das Vorverarbeiten das Anpassen von Sensorversätzen umfasst, um Signale zu erzeugen, die innerhalb der Software-Beschränkungen verarbeitet werden können.Method according to claim 12, characterized in that preprocessing involves adjusting sensor offsets, to generate signals that process within software limitations can be. Verfahren nach Anspruch 11, weiterhin gekennzeichnet durch eine Nachverarbeitung des Klassifikationssignals.The method of claim 11, further characterized by a post-processing of the classification signal. Verfahren nach Anspruch 14, dadurch gekennzeichnet, dass die Nachverarbeitung das Übergehen einer nicht entsprechenden Ausgabe relativ zu einer Reihe von entsprechenden Ausgaben umfasst.Method according to claim 14, characterized in that that the postprocessing is going over an inappropriate output relative to a series of corresponding ones Includes expenses. Verfahren nach Anspruch 11, dadurch gekennzeichnet, dass die Mustererkennung in dem neuronalen Netz (41) das Übergehen einer Ausgabe aus dem neuronalen Netz (41) und das Vorsehen einer vorbestimmten Ausgabe als Klassifikationssignal umfasst.Method according to claim 11, characterized in that the pattern recognition in the neural network ( 41 ) skipping an output from the neural network ( 41 ) and providing a predetermined output as a classification signal. Insassen-Klassifikationssystem (8) für ein Fahrzeug mit einem Fahrzeugsitz einschließlich von Insassensensoren (46), und mit einem Sitzgurt zum Sichern eines Sitzinsassen einschließlich eines Sitzgurt-Spannungssensors (43), der die Spannung des Sitzgurts misst, wobei das Insassen-Klassifikationssystem (8) umfasst: eine Steuereinrichtung (40) mit einer Logik zum Erzeugen einer Reihe von Sensorsignalen aus den Insassensensoren (46), zum Erzeugen eines Sensorsignals aus dem Sitzgurt-Spannungssensor (43) und zum Ausführen eines Mustererkennungsalgorithmus in Abhängigkeit von der Reihe von Sensorsignalen aus den Insassensensoren (46) und dem Sensorsignal aus dem Sitzgurt-Spannungssensor (43), wobei die Steuereinrichtung (40) ein neuronales Netz (41) zum Ausführen des Mustererkennungsalgorithmus durch Analysieren der Reihe von Sensorsignalen aus den Insassensensoren (46) und des Sensorsignals aus dem Sitzgurt-Spannungssensor (43) umfasst.Occupant Classification System ( 8th ) for a vehicle having a vehicle seat including occupant sensors ( 46 ), and with a seat belt for securing a seat occupant including a seat belt tension sensor ( 43 ), which measures the tension of the seat belt, wherein the occupant classification system ( 8th ) comprises: a control device ( 40 ) with logic for generating a series of sensor signals from the occupant sensors ( 46 ), for generating a sensor signal from the seat belt tension sensor ( 43 ) and for carrying out a pattern recognition algorithm as a function of the series of sensor signals from the occupant sensors ( 46 ) and the sensor signal from the seat belt tension sensor ( 43 ), wherein the control device ( 40 ) a neural network ( 41 ) for carrying out the pattern recognition algorithm by analyzing the series of sensor signals from the occupant sensors ( 46 ) and the sensor signal from the seat belt span sensor ( 43 ).
DE102006045218A 2005-11-02 2006-09-25 Distinction input system for a decision algorithm Expired - Fee Related DE102006045218B4 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US11/163,875 US7519461B2 (en) 2005-11-02 2005-11-02 Discriminate input system for decision algorithm
US11/163,875 2005-11-02

Publications (2)

Publication Number Publication Date
DE102006045218A1 DE102006045218A1 (en) 2007-05-03
DE102006045218B4 true DE102006045218B4 (en) 2009-11-05

Family

ID=37546247

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102006045218A Expired - Fee Related DE102006045218B4 (en) 2005-11-02 2006-09-25 Distinction input system for a decision algorithm

Country Status (3)

Country Link
US (1) US7519461B2 (en)
DE (1) DE102006045218B4 (en)
GB (1) GB2432002A (en)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102005014515A1 (en) * 2005-03-30 2006-10-05 Siemens Ag Apparatus and method for distinguishing a person from an object on a vehicle seat
US20070235243A1 (en) * 2006-04-07 2007-10-11 Nathan John F Seatbelt minder
DE102007036277A1 (en) * 2007-07-31 2009-02-05 Technische Universität Berlin Method and device for automatic pattern recognition
US20100025974A1 (en) * 2008-07-31 2010-02-04 Gray Charles A Apparatus for allowing or suppressing deployment of a low risk deployment airbag
TW201136784A (en) * 2010-04-21 2011-11-01 Hon Hai Prec Ind Co Ltd Automobile seat system
DE102016208828B4 (en) 2015-07-24 2019-12-12 Ford Global Technologies, Llc Device and method for improving at least one accident-related safety-relevant wearing property of a seat belt applied by a person sitting in a vehicle seat
DE102018206777B4 (en) * 2018-05-02 2020-12-10 Zf Friedrichshafen Ag Depth evaluation for the localization of a vehicle occupant in a vehicle interior
DE102018207977B4 (en) * 2018-05-22 2023-11-02 Zf Friedrichshafen Ag Interior monitoring for seat belt adjustment

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10049528A1 (en) * 1999-10-06 2001-04-12 Takata Corp Protective device for restraining a passenger uses a seat sensor to detect a load level on a seat and a tension switch to detect tension on a seat belt moving it into a switch-on state with tension in a certain range.
DE10152770A1 (en) * 2000-10-27 2002-05-16 Ford Motor Co Method of weighing motor vehicle passenger to initiate air bag has sensor in belt to calculate upward force deducted from passenger weight
DE10239761A1 (en) * 2002-08-29 2004-03-18 Sartorius Ag Method and device for identifying the type of occupancy of a support surface
DE60004536T2 (en) * 1999-09-10 2004-06-24 Siemens Vdo Automotive Corp., Auburn Hills METHOD AND DEVICE FOR DETECTING THE WEIGHT OF THE USER OF A SEAT
DE69825007T2 (en) * 1997-05-12 2005-08-18 Automotive Systems Laboratory Inc., Farmington Hills SAFETY BELT TENSIONING SYSTEM WITH TILTING KNIFE FIXED TO THE SEAT FRAME AND A WEIGHT SENSOR

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6445988B1 (en) * 1997-02-06 2002-09-03 Automotive Technologies International Inc. System for determining the occupancy state of a seat in a vehicle and controlling a component based thereon
US7147246B2 (en) * 1995-06-07 2006-12-12 Automotive Technologies International, Inc. Method for airbag inflation control
US6520540B1 (en) * 1999-10-08 2003-02-18 Delphi Technologies, Inc. Tension sensing switch assembly
WO2001085497A1 (en) * 2000-05-10 2001-11-15 Wallace Michael W Vehicle occupant classification system and method
KR20030043791A (en) * 2000-05-12 2003-06-02 지멘스 비디오 오토모티브 코포레이션 Seat belt force sensor system
US6636792B2 (en) * 2000-09-29 2003-10-21 Siemens Vdo Automotive Corporation Weight classification system
DE10127058A1 (en) * 2001-06-02 2002-12-05 Bosch Gmbh Robert Automobile seat occupant classification device combines signal from force sensor for passenger seat belt with seat belt closure switch signal
JP2003040078A (en) * 2001-08-01 2003-02-13 Denso Corp Air bag operation control system
JP2003095060A (en) * 2001-09-25 2003-04-03 Aisin Seiki Co Ltd Occupant judgment device
US6644689B2 (en) * 2002-02-08 2003-11-11 Delphi Technologies, Inc. Method for suppressing deployment of an inflatable restraint based on sensed occupant capacitance
US6605877B1 (en) * 2002-02-26 2003-08-12 Delphi Technologies, Inc. Restraint system interface arrangement for a seat belt tension sensor
US6697723B2 (en) * 2002-02-27 2004-02-24 Ford Global Technologies, Llc Occupant based frequency analysis algorithm
US7026946B2 (en) * 2002-04-17 2006-04-11 Darrel Saunders Method and apparatus for sensing seat occupancy
EP1475274B1 (en) * 2003-05-06 2011-08-31 Mitsubishi Electric Information Technology Centre Europe B.V. Seat occupant monitoring system and method
US6952974B2 (en) * 2003-06-12 2005-10-11 Delphi Technologies, Inc. Seat belt tension sensor
US6985077B2 (en) * 2003-12-30 2006-01-10 Lear Corporation Method of tuning a sensor array for occupancy sensing in a vehicle seat
US7353088B2 (en) * 2004-10-25 2008-04-01 Ford Global Technologies, Llc System and method for detecting presence of a human in a vehicle

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE69825007T2 (en) * 1997-05-12 2005-08-18 Automotive Systems Laboratory Inc., Farmington Hills SAFETY BELT TENSIONING SYSTEM WITH TILTING KNIFE FIXED TO THE SEAT FRAME AND A WEIGHT SENSOR
DE60004536T2 (en) * 1999-09-10 2004-06-24 Siemens Vdo Automotive Corp., Auburn Hills METHOD AND DEVICE FOR DETECTING THE WEIGHT OF THE USER OF A SEAT
DE10049528A1 (en) * 1999-10-06 2001-04-12 Takata Corp Protective device for restraining a passenger uses a seat sensor to detect a load level on a seat and a tension switch to detect tension on a seat belt moving it into a switch-on state with tension in a certain range.
DE10152770A1 (en) * 2000-10-27 2002-05-16 Ford Motor Co Method of weighing motor vehicle passenger to initiate air bag has sensor in belt to calculate upward force deducted from passenger weight
DE10239761A1 (en) * 2002-08-29 2004-03-18 Sartorius Ag Method and device for identifying the type of occupancy of a support surface

Also Published As

Publication number Publication date
US7519461B2 (en) 2009-04-14
GB2432002A (en) 2007-05-09
DE102006045218A1 (en) 2007-05-03
GB0621609D0 (en) 2006-12-06
US20070100528A1 (en) 2007-05-03

Similar Documents

Publication Publication Date Title
DE60101853T2 (en) CIRCUIT-FREE TRANSFORMATION OF SENSOR CONFIGURATIONS FOR THE CLASSIFICATION OF PERSONS
DE10139194B4 (en) Vehicle airbag restraint system with shutdown indicator
DE60103060T2 (en) Vehicle weight licensing system
DE602004001516T2 (en) SYSTEM FOR DETECTING A SITZBELEGUNG
DE102019208048A1 (en) KNEE AIRBAG DEVICE FOR AN AUTONOMOUS VEHICLE AND METHOD FOR CONTROLLING THE SAME
EP1246741B1 (en) Method and device for detecting seat occupancy by means of a video sensor system and foot room sensor system
DE102009052475B4 (en) Performance-based classification method and performance-based driver classification algorithm
DE102018220043A1 (en) Sensor-bound occupant detection method and seat occupancy detection system
DE102006045218B4 (en) Distinction input system for a decision algorithm
DE102007049394B4 (en) System for classifying vehicle occupants
WO2004020255A1 (en) Method and device for identifying the type of occupancy of a supporting surface
LU92962B1 (en) Capacitive seat occupancy detection and classification system
US6985077B2 (en) Method of tuning a sensor array for occupancy sensing in a vehicle seat
DE102020117555A1 (en) METHOD AND DEVICE FOR INTRIBUTOR CLASSIFICATION
DE10144878A1 (en) Passenger identification system for identifying passengers in a vehicle comprises for a vehicle seat a foot sensor, a seat sensor, a back rest sensor, and a control unit linking the sensor signals
DE60019135T2 (en) METHOD FOR CLASSIFYING WEIGHT INFORMATION IN A VEHICLE WEIGHT CLASSIFICATION SYSTEM
WO2024046623A1 (en) Transport means, assembly and method for categorising a passenger of a transport means
DE10047192A1 (en) Evaluating sensor signals of seat mat of vehicle seat so that sensors in seat mat deliver senor signals corresp. to loading pressure to be added to the vehicle seat so that corresp. to sensor signals seat profile of vehicle seat is produced
DE10047190A1 (en) Evaluation of sensor signals of seat mat in vehicle seat so that resistance values of pressure sensors in the seat mat are used as sensor signals
DE102005053744B3 (en) Seat sensor method for determining an equivalent output value for a failed sensor in a vehicle seat with an occupancy sensor system uses an array of sensors to detect a body's presence
DE102006044085B4 (en) Collision and / or personal protection system for a motor vehicle
DE102009000080A1 (en) Driving condition detecting method for vehicle, involves executing algorithm to accomplish classification of condition characteristics, and providing signal to indicate driving conditions of vehicle based on classification
DE102007043454A1 (en) Modular seat belt reminder device
WO2006103237A1 (en) Device and method for differentiating between a person and an object on a vehicle seat
DE102015205587A1 (en) Device for monitoring a component

Legal Events

Date Code Title Description
OP8 Request for examination as to paragraph 44 patent law
8364 No opposition during term of opposition
R119 Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee